【opencv】【图像梯度】

我们来计算图像中各个像素点的梯度
我们可以用一阶的Sobel算子和Scharr算子，以及使用二级的Laplace算子，试验如下：

原始图像是：

一阶算子的梯度计算如下：
求图像各个像素点的梯度。上面计算的sobel算子可以近似认为是X和Y方向的梯度，那么总的梯度是：
G = (Gx^2 + Gy ^2) ^ 0.5 或者是近似计算成
G = |Gx| + |Gy|

二阶算子，直接可得到梯度。

import numpy as np
import random
import cv2
import matplotlib.pyplot as plt# 展示图像，封装成函数
def cv_show_image(name, img):cv2.imshow(name, img)cv2.waitKey(0)  # 等待时间，单位是毫秒，0代表任意键终止cv2.destroyAllWindows()img = cv2.imread('images/yuan.png')  # 读取原始图像
print(img.shape)# Sobel算子，例如是向右方向梯度的
#       [[-1, 0, 1],
# Gx =  [-2, 0, 2],
#       [-1, 0, 1]]
# 例如是向下方向梯度的
#       [[-1, -2, -1],
# Gy =  [0, 0, 0],
#       [1, 2, 1]]
# 相当于就是右边的像素值减去左边的像素值
# dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
#       src: 输入的原始图像
#       ddepth: 图像的深度，一般都是-1
#       dx和dy: 水平方向和垂直方向
#       ksize: 卷积核的大小# 我们来看看不同方向的运算结果
# 像素相减的结果又正数有负数，出现负数的话，opencv默认截断为0
# 但是我们希望看到的是差异的大小，哪怕是负数也是有差异值的，不能抹成0没差异了，因此我们需要保存负数，可以保留负数计算结果。
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, 3)  # 图像转换成有个带有负数的形式，因为表示的位数更高了。
sobel_x_abs = cv2.convertScaleAbs(sobel_x)  # 取绝对值，保留我们的差异值
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0 ,1, 3)  # 图像转换成有个带有负数的形式，因为表示的位数更高了。
sobel_y_abs = cv2.convertScaleAbs(sobel_y)  # 取绝对值，保留我们的差异值# 求图像各个像素点的梯度。上面计算的sobel算子可以近似认为是X和Y方向的梯度，那么总的梯度是：
# G = (Gx^2 + Gy^2)^0.5 或者是近似计算成
# G = |Gx| + |Gy|
sobel_xy_add = cv2.addWeighted(sobel_x_abs, 0.5, sobel_y_abs, 0.5, 0)  # 使用x + y的方式求梯度。
sobel_xy_abs_add = cv2.convertScaleAbs(sobel_xy_add)  # 取绝对值，保留我们的差异值# 不推荐使用下面这个方式，这种效果不是很好。
sobel_xy = cv2.Sobel(img, cv2.CV_64F, 1, 1, 3)  # 图像转换成有个带有负数的形式，因为表示的位数更高了。
sobel_xy_abs = cv2.convertScaleAbs(sobel_xy)  # 取绝对值，保留我们的差异值ret = np.hstack((sobel_x, sobel_y, sobel_xy_add, sobel_xy))
cv2.imshow('sobel_src', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()ret = np.hstack((sobel_x_abs, sobel_y_abs, sobel_xy_abs_add, sobel_xy_abs))
cv2.imshow('sobel_abs', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()# 求图像梯度的另外两种算子，这个和Sobel算子很相似，还是强调程度不同
# Scharr 算子
#       [[-3,  0, 3],
# Gx =   [-10, 0, 10],
#        [-3,  0, 3]]
# 例如是向下方向梯度的
#       [[-3, -10, -3],
# Gy =   [0,    0,  0],
#        [3,   10,  3]]
# 我们来看看不同方向的运算结果
# 像素相减的结果又正数有负数，出现负数的话，opencv默认截断为0
# 但是我们希望看到的是差异的大小，哪怕是负数也是有差异值的，不能抹成0没差异了，因此我们需要保存负数，可以保留负数计算结果。
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0, 3)  # 图像转换成有个带有负数的形式，因为表示的位数更高了。
scharr_x_abs = cv2.convertScaleAbs(scharr_x)  # 取绝对值，保留我们的差异值
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0 ,1, 3)  # 图像转换成有个带有负数的形式，因为表示的位数更高了。
scharr_y_abs = cv2.convertScaleAbs(scharr_y)  # 取绝对值，保留我们的差异值# 求图像各个像素点的梯度。上面计算的sobel算子可以近似认为是X和Y方向的梯度，那么总的梯度是：
# G = (Gx^2 + Gy^2)^0.5 或者是近似计算成
# G = |Gx| + |Gy|
scharr_xy_add = cv2.addWeighted(scharr_x_abs, 0.5, scharr_y_abs, 0.5, 0)  # 使用x + y的方式求梯度。
scharr_xy_abs_add = cv2.convertScaleAbs(scharr_xy_add)  # 取绝对值，保留我们的差异值ret = np.hstack((scharr_x, scharr_y, scharr_xy_add))
cv2.imshow('scharr_src', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()ret = np.hstack((scharr_x_abs, scharr_y_abs, scharr_xy_abs_add))
cv2.imshow('scharr_abs', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()# Laplace算子
# Laplace算子可以近似计算出图像的二阶导数，具有旋转不变性，也就是可以检测出各个方向的边缘。
# Laplace算子分为两种，分别考虑4-邻接（D4）和8-邻接（D8）两种邻域的二阶微分。
# 例如一个3x3的4-邻接为
# 例如 4-邻接
#      [[0, -1,  0],
#      [-1,  4, -1],
#      [ 0, -1, 0]]
# 例如 8-邻接
#      [[-1, -1, -1],
#      [ -1,  8, -1],
#      [ -1, -1, -1]]
Laplacian = cv2.Laplacian(img, cv2.CV_64F)  # 由于是二阶的，没有x和y方向的概念
Laplacian_abs = cv2.convertScaleAbs(Laplacian)  # 取绝对值，保留我们的差异值
cv_show_image('Laplacian', Laplacian)# 最后汇总下三个方式的效果
ret = np.hstack((sobel_xy_abs_add, scharr_xy_abs_add, Laplacian_abs))
cv2.imshow('all_here', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如下：
使用Sobel算子，不加绝对值运算的效果：

使用Sobel算子，加绝对值运算的效果：

使用Scharr算子，不加绝对值运算的效果：

使用Scharr算子，加绝对值运算的效果：

使用Laplace算子，加绝对值和不加绝对值的效果

最后将各个加绝对值后xy方向的汇总，效果如下：

整体效果表明，使用二阶算子的效果要好一些。

【opencv】【图像梯度】相关推荐

OpenCV图像梯度（Sobel和Scharr）
OpenCV图像梯度(Sobel和Scharr) 1 图像梯度是什么? 2 图像梯度的用途 3 图像梯度的使用参考这篇博客将介绍图像渐变以及如何使用OpenCV的cv2.Sobel计算Sobel渐 ...
OpenCV——图像梯度与边缘检测(python实现)
OpenCV--图像梯度与边缘检测 6.1 简介严格的说,梯度计算需要求导数.但是图像梯度的计算,是通过计算像素值的差得到梯度的近似值.图像梯度表示的是图像变化的速度,反映了图像的边缘信息. 边缘是 ...
基于Python的Opencv图像梯度处理
图像梯度直观反应其实就是图像当中各物体的轮廓,而在像素点上的体现其实就是相邻像素点之间的差值,差值越大,轮廓就会越清晰(可用于图像增强),而Opencv提供了以下三种算子来进行图像的梯度处理,跟在之前 ...
opencv 图像梯度(python)
图像梯度图像梯度 Sobel理论基础计算水平方向偏导数的近似值计算垂直方向偏导数的近似值 Sobel算子及函数使用注意点:参数ddepth 方向计算x方向和y方向的边缘叠加 Scharr算子 ...
OpenCV 图像梯度：cv2.Sobel()，cv2.Schar()，cv2.Laplacian() + 数据类型设置：cv2.CV_8U，cv2.CV_16S，cv2.CV_64F
原理: 梯度本质上就是导数.OpenCV 提供了三种不同的梯度滤波器,或者说高通滤波器:Sobel,Scharr 和Laplacian.Sobel,Scharr 其实就是求一阶或二阶导数.Scharr ...
OpenCV 图像梯度 Sobel、Scharr、Laplacian
概念: 梯度简单来说就是求导,在图像上表现出来的就是提取图像的边缘(不管是横向的.纵向的.斜方向的等等),所需要的无非也是一个核模板,模板的不同结果也不同.所以可以看到,所有的这些个算子函数,归结到底 ...
OpenCV图像梯度算子
梯度简单来说就是求导. OpenCV 提供了三种不同的梯度滤波器,或者说高通滤波器:Sobel,Scharr 和 Laplacian. Sobel,Sc ...
OpenCV+python：图像梯度
1,图像梯度的概念梯度简单来说就是求导,在图像上表现出来的就是提取图像的边缘(无论是横向的.纵向的.斜方向的等等),所需要的是一个核模板.模板的不同结果也不同.所以能够看到,全部的这些个算子函数,归 ...
基于OpenCV的图像梯度与边缘检测！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:姚童,Datawhale优秀学习者,华北电力大学严格的说,梯度计 ...
opencv进阶学习笔记10：图像金字塔和图像梯度
基础版笔记传送门: python3+opencv学习笔记汇总目录(适合基础入门学习) 进阶版笔记目录链接: python+opencv进阶版学习笔记目录(适合有一定基础) 图像金字塔变小变大原理 ...

【opencv】【图像梯度】

【opencv】【图像梯度】相关推荐

最新文章

热门文章